压缩感知(Compressive Sensing, CS)是信号处理领域的热门技术之一。近年来,压缩感知在理论与实现方面都取得了长足进步,国内外学者提出了多种基于压缩感知理论的信号采集框架,具有代表性的有模拟-信息转换器(Analog-to-Information Converter, AIC )、宽带调制转换器(Mudulated Wideband Converter)和稀疏傅里叶变换转换器(Sparse Fourier Transform, SFT)。AIC 与 MWC 的实现依赖于奈奎斯特速率的模拟混频器,具有实现成本高、能耗高等缺点,不利于大规模监测网络的部署。而SFT结构不需使用奈奎斯特速率的模拟混频器,只采用常规低速ADC即可实现,具有良好的实用前景。对基于SFT的压缩感知技术展开研究,重点分析了其重构算法。以提升重构算法抗干扰能力为出发点,设计了流信号采集框架,并基于此框架研究了能处理信号支撑集动态变化情况的联合重构算法。最后对基于SFT的压缩感知硬件系统进行了研究与分析。本文的主要贡献如下:1)针对SFT压缩感知相关理论尚不成熟的现状,对其展开深入研究。分析加性噪声对其重构算法性能的影响,分析重构算法性能瓶颈,指出了提升算法抗噪性能的可行途径。对系统的关键参数下采样倍数、时延的设置展开研究,给出了理论最佳时延值,推导了在频谱占用度一定的情况下,下采样倍数与重构算法失效概率之间的关系。2)为利用信号在时域上的前后相关性,设计了基于滑动窗的宽带流信号采集框架。在此基础上,提出了一种基于共稀疏的联合重构算法。实际中信号的支撑集是动态变化的,滑动窗内信号的共稀疏性难以得到保证。为解决此问题,设计了一种基于节点类型识别的窗长自适应机制,使联合重构算法在信号动态变化的情况下依然拥有比传统算法更好的抗干扰性能。3)在前人基础上设计了基于USRP的硬件实现框架。由于实际系统中,需考虑大带宽内设备频率响应的起伏,本文对信号采集模型及重构算法进行了修正。时延和频率响应这些参数在实际中是未知,需要在系统运行前进行测量和校准。分析了参数估计偏差对系统性能造成的影响,推导了最大允许误差值。最后设计了一套操作简单且具有较高精确度的参数估计方法。